Ein Reinforcement-Learning-Ansatz für die Optimierung von Heizkurven

Vorlauftemperaturanpassung mittels Q-Learning

Abstract

In diesem Beitrag wird das Potenzial einer intelligenten Vorlauftemperaturregelung für das Heizungsnetz eines modernen Bürogebäudes analysiert. Da das Gebäude mit  einem Niedertemperatur-Fußbodenheizsystem und großen  Fensterflächen ausgestattet ist, besteht die Gefahr  einer Überhitzung der Räume an Tagen mit viel  Sonnenenergie, jedoch kühlen Nächten. Durch eine Optimierung und Anpassung der Vorlauftemperatur mittels eines Reinforcement Learning Ansatzes – Q-Learning –  kann die Überhitzung der Räume durch  Sonneneinstrahlung im Vergleich zu der Standardheizkurve  effektiv reduziert und damit der Gesamtkomfort verbessert werden. Die Integration der  neuen Reglung am realen Gebäude wird mittels eines  Handlungsempfehlungssystems realisiert.